[发明专利]一种多通道压缩感知框架下的混合参数估计方法

说明书

技术领域

本发明涉及多通道压缩感知技术领域。

背景技术

传统的信号获取基于奈奎斯特采样定理，即：信号的采样速率必须大于等于信号最高频率的2倍时，才能从采集到的数据中无失真的恢复出源信号。随着人们对信息量需求的增加，信号的带宽增大，当信号的获取依然基于奈奎斯特采样定理时，将会对信号采样及数据存储等带来极大的挑战。2004年提出的新型采样理论——压缩感知(Compressed Sensing，CS)指出当信号满足稀疏性时，能以远低于奈奎斯特采样率的速度对信号进行观测，然后通过合适的重构算法从信号的少量投影值中恢复源信号。由于CS理论可以大大降低信号的采样速率以及数据存储容量，在多个领域具有广泛的应用前景。但是在某些多传感器的应用场合，比如：语音识别、网络异常探测、医学信号处理等领域，传感器采集到的往往是多个源信号的一种混合，并且，混合参数及源信号参数都是未知的。而现有的多通道压缩感知框架下的通用方法估计混合参数存在必须先完成重构混合信号，混合参数估计效率低的问题。

发明内容

本发明为了解决现有的多通道压缩感知框架下的通用方法估计混合参数必须先重构混合信号，估计混合参数效率低的问题，从而提供一种多通道压缩感知框架下的混合参数估计方法。

一种多通道压缩感知框架下的混合参数估计方法，它包括如下步骤：

步骤一：采集混合信号x_i的压缩观测信号为y_i，1≤i≤m；

其中，x_i是第i个混合信号，m为混合信号的数目，混合信号x_i的长度为N，观测信号y_i的长度为M，即且M＜＜N；

设：反混合矩阵W是m行m列的实数阵列，即

测量矩阵为Ф是M行N列的实数矩阵，即

算法迭代次数l的初始值为1，总的迭代次数为L，反混合矩阵初始值为W₀，更新步长为η；

步骤二、在(0，1)内单调递增的函数中选取任意非线性函数g(·)；

步骤三、设定函数g(·)的输入为yW_l-1，输出为Y，即Y＝g(yW_l-1)，其中y＝[y₁，y₂，...，y_m]，y_i表示第i个混合信号的压缩观测值；

步骤四、计算Y的熵H(Y)=H(y)+E[Σi=1mlng′(yWl-1)]+ln|Wl-1|,]]>

其中H(Y)表示Y的熵，H(y)表示混合信号观测值y的熵，函数ln是对数函数，g′表示g的一阶导数，表示ln g′(yW_l-1)的均值；

步骤五、计算熵H(Y)的梯度其中是第l-1次循环计算的反混合矩阵W_l-1的各个元素，是熵关于变量的偏导数，是熵的梯度；